热电（TE）技术可以将广泛分布的热量直接转化为有用的电力，从而为解决日益严重的全球能源危机提供了一条有效途径。然而，通过传统的试错方法研发先进的TE材料是极其复杂和耗时的。近日，武汉大学Fang Ying、Liu Huijun通过迁移学习加速发现先进热电材料。
本文要点：
1) 作者使用用于电子带隙的预训练神经网络架构，提出了一种迁移学习（TL）策略，该策略可以在任意温度下对任何TE材料的ZT值进行准确的预测。与直接机器学习算法相比，TL驱动的模型在初始数据集之外具有显著增强的预测能力，其将p型系统的Pearson相关系数从23%提高到95%，n型系统的Pearson相关系数从46%提高到94%。
2) 在AFLOW储存库中筛选的6353个具有相对较小间隙的材料中，925个p型和788个n型系统被快速识别出具有超过2.0的ZT值。此外，作者所建立的TL模型也适用于在更大的搜索空间中的ZT预测，其中可以对筛选系统的组成原子和/或化学计量组成进行各种调整，以进一步优化其TE性能。
Mengke Li et.al Accelerated Discovery of Advanced Thermoelectric Materials via Transfer Learning Adv. Energy Mater. 2023
DOI: 10.1002/aenm.202300049
https://doi.org/10.1002/aenm.202300049
